文[1]数据显示：全球每年大约有125万人在道路交通事故中死亡，其中行人、骑摩托者和骑自行车者属于最无保护的人群，分别占交通死亡人数的22%、23%和4%^[1]。在机动车、非机动车和行人的混合交通^[2]中，车辆更容易碰撞到非机动车或行人，因此检测道路周围环境并指导驾驶员安全行驶具有重要意义。这也为驾驶辅助系统(advanced driver assistance system, ADAS)带来良好的应用前景。

目前在ADAS系统中，主要是通过摄像技术来检测行人和骑自行车人^[3]。其中文[4]利用梯度直方图(histogram of gradients, HOG)检测视频中的行人；文[5]提出了一个两阶段的多模态方案，有效地检测到在正常道路驾驶视频中的骑自行车人。但上述研究对骑自行车人和行人的探测是独立的，并不在一个检测系统中。为了能够同时探测骑自行车人和行人，文[6]提出了一种将运动目标分类的方法(汽车、行人、自行车等)，利用视频的静态特征和时间熵特征来检测各类目标。文[7]指出利用视频虽然可以有效地检测道路环境，但是视频会受到天气和光线影响，文[8]证实在夜间视频很难检测到行人；文[9]在不利环境(雨、雪等)利用视频检测环境，检测效果明显下降。

相比之下，毫米波/激光雷达和超声波传感器受天气和光线影响较小，其中超声波传感器成本更低。因此，本文采用超声波传感器探测车辆周围环境。

由于受到探测范围(5 m)的限制，目前超声波传感器主要应用于低速行车环境中^[10]，多用于泊车时对周围障碍物距离的探测与预警。近些年搭载超声波传感器的盲区监测系统被逐渐开发，同时基于超声波传感器的低速无人驾驶系统也得到推广，而盲区监测系统和低速无人驾驶首先需要区分目标物类型。因此根据驾驶系统的客观需求，本文提出了识别车辆周围目标物类型的研究视角。

在汽车领域，基于超声波传感器的目标识别研究有：文[11]采用6个超声波传感器，利用混合粒子滤波和粒子权重值的方法，建立超车模型，从而对超车车辆进行预警，但未对目标物进行区分，造成误警率较高；文[12]同样采用6个超声波传感器，应用曲线匹配法区分汽车和路标，利用神经网络进行样本训练，但该方法试验规模较大、区分类别较少，且受到地域影响。在机器人领域，文[13]通过二层环形的传感器布置，探测室内外的平面、门和圆柱等目标，利用飞行时间(time of fight，TOF)特征曲线相似原理，采用支持向量机训练，可达到准确识别环境目标物的效果。

根据汽车领域目标物识别的研究现状，并参考机器人领域的研究成果，本文研究了基于超声波传感器的车辆周围目标物识别方法。通过仿真平台获得传感器数据，设计了分类器模型并进行训练和预测。仿真结果表明该方法具备良好的识别效果。最后搭建实验平台，验证了该方法具有一定的可行性。

1 超声波传感器的基本特性 1.1 超声波传感器的工作原理

超声波传感器的工作原理是压电晶片在电压的激励下发生高频振动而产生超声波，当其碰到杂质或分界面时会产生反射形成回波^[14]。其结构如图 1所示。

检测超声波的发射和返回，则可计算出超声波的探测距离，最常采用渡越时间法^[15]：

$ s=ct/2. $

(1)

其中：s为传感器与障碍物的距离，单位为m；c为当前实际声速，单位为m/s；t为传感器发出超声脉冲到接收超声脉冲所用的时间，单位为s。

1.2 超声波传感器的测距模型

影响超声波传感器测距精度的因素主要有^[16-21]：

1) 环境因素：温度、湿度和风速等，其中温度影响较大。

2) 声波自身因素：声波在介质中传播会存在能量损失。

3) 测距电路因素：探测目标物的距离实质是检测回波信号。因此测距阈值的设定影响回波的接收时间点，从而影响超声波传播所经历的时间。

4) 目标物因素：文[20]研究了单体超声波传感器测距精度，指出目标物的方位会影响传感器测距精度。文[20]通过分析实验数据，得到传感器测距误差模型为

$ {\text{std}}\left( \varepsilon \right)=-0.038+0.217{{d}_{0}}+0.008\theta . $

(2)

其中：ε为超声波传感器测距的随机误差标准差，单位为cm；d₀为传感器与目标物的真实距离，单位为cm；θ为目标物相对传感器的角度，单位为(°)。

考虑汽车低速行车的环境，结合超声波传感器仿真所涉及到的目标物类型，本文提出的超声波传感器测距模型是由传感器的真实距离与上述因素引起的测距误差模型组合而成。其中温度设定为常量20℃，而风速、气压、湿度、声波自身因素、测距电路因素等均来自于自然界，假设这些因素引起的误差服从Gauss分布^[22]，同时目标物因素采用式(2)补偿，则：

$ \begin{align} &\ \ \ \ \ \ \ \ \ \ \ {{d}_{t}}={{d}_{0}}+\varepsilon ={{d}_{0}}+ \\ &(-0.038+0.217{{d}_{0}}+0.008\theta )\cdot \rm{randn}\left( 1 \right). \\ \end{align} $

(3)

其中：d_t为传感器的测量值，单位为cm；randn(1)为Gauss分布。

2 目标物识别的方案设计

本文首先通过仿真平台提出了目标物识别方法总体框架，如图 2所示，在原始数据基础上依次设计了3个阶段：

1) 特征提取：为了描述不同目标物之间的差异，对原始数据d_i进行分析，并提取和选择出有效特征D；

2) 分类器：将选出的特征D作为分类器的输入，并对分类器进行训练，得到的模型可以预测未知样本的类别(y₀, y₁, y₂, y₃)；

3) 目标物的类型区分：将测试的目标物分类结果按时间序列进行计算，得出每一时刻各类的概率值(P₀, P₁, P₂, P₃)；

最后进行该目标物识别方法的实验验证。

3 基于仿真平台建立目标物数据库 3.1 超声波测距仿真平台

基于上述超声波传感器测距模型，建立了MATLAB GUI交互界面，用于超声波传感器的测距仿真，如图 3所示。在仿真平台下，设计传感器和目标物的各项参数，可实现多传感器动态探测目标物的效果，从而获得传感器探测目标物的数据。

3.2 车辆周围典型目标物的提取

分析常见道路(如高速公路、城市道路、乡村道路以及停车场等)中车辆环境，总结出车辆周围主要有汽车、行人、树木和方柱等目标物。参考机器人领域对目标类型划分规则，依据形状将车辆周围目标物划分为平板、圆柱和角形3类典型目标物，如表 1所示。

3.3 仿真系统设计

多传感器探测目标物仿真系统的设计包括传感器和目标物2部分。其中，传感器系统设计的参数有传感器的基本性能、阵列形式和运动状态等；目标物系统设计的参数有目标类型、大小、位置与运动状态等。由于传感器有安装高度的范围限定(根据车辆高度而定)以及超声波自身波形，本文不考虑目标物的高度，假设目标物均在高度探测范围内。

3.3.1 超声波传感器系统设计

超声波传感器系统具体参数设计如下：采用8个超声波传感器线性阵列的形式，且等间隔50 cm，每个传感器探测量程为400 cm，探测角度范围为60°，指向角为90°，整个传感器系统沿x轴正方向以360 cm/s运动，采集周期为20 ms。传感器具体位置和运动参数如图 4所示。

3.3.2 目标物系统设计

目标物有平板、圆柱和角形3类，目标物的尺寸根据实际目标物而定，且其位置和旋转角度可调，参数设置如表 2所示。

传感器系统与3类目标物系统总体设置，如图 5所示。其中，目标物旋转角度可调和大小可变，目标物与传感器的垂直距离可变等。

3.4 传感器的数据采集

基于上述仿真系统的设计方案，各类目标物的采集数据如表 3所示。其中，±15°的平板在距传感器系统50 cm时，边角已接触到阵列传感器系统的水平位置，故剔除该2组数据。

4 目标物的识别算法设计

本文的目标物识别算法是以分类器为核心，搭载目标类型的区分算法，可实现对各种类型目标物的实时区分。选用支持向量机(support vector machine，SVM)^[23]作为分类器，根据目标物形状不同构造与优选分类特征指标集，同时对目标物分类模型进行设计，以此建立平板、圆柱和角形3类目标物的分类模型。

4.1 目标物的分类指标

本文基于目标形状的不同构造分类指标，采用原始数据、逐差、二次逐差和逐比4种构造方法。具体计算公式如下：

$ \Delta {\rm{d}}{{\rm{s}}_{\mathit{i}}}={{d}_{i}}-{{d}_{i+1}}, $

(4)

$ \Delta {\rm{ds}}{{\rm{s}}_{\mathit{i}}}=\Delta \rm{d}{{\rm{s}}_{\mathit{i}}}-\Delta \rm{d}{{\rm{s}}_{\mathit{i}+1}}, $

(5)

$ \Delta \text{d}{{\text{d}}_{\mathit{i}}}=\Delta {{d}_{i}}/\Delta {{d}_{i+1}}. $

(6)

其中：i为传感器编号，i=1, 2, …, 7；Δds_i为逐差值；d_i为第i个传感器探测的距离；d_i+1为第(i+1)个传感器探测的距离；Δdss_i为二次逐差值；Δdd_i为逐比值。

具体的分类指标如表 4所示。

4.2 目标物分类模型的设计

本文基于SVM分类器建立3类目标物的分类模型，并以该分类模型在测试集上的分类准确率作为衡量该分类器性能的评价依据。SVM目标物分类模型的总体流程，主要包括4个过程：

1) 分类器输入环节：将3类目标优选后的特征指标集作为分类模型的最终输入。

2) 模型训练环节，采用径向基核函数进行SVM训练以获得分类模型。本文通过网格搜索对核参数C即惩罚因子和σ值即核函数的宽度进行寻优选参。

3) 模型测试环节，利用交叉验证的方法得出目标物分类准确率。本文采用K折交叉验证(k-fold cross-validation)的方法，在本文K选取5。

4) 目标物分类模型的3类决策：本文采用一对一法^[24](one against one, OAO)处理目标物分类模型的多决策问题。

4.3 指标优选和分类结果

如果对特征指标任意添加，不仅会使特征指标集维数增加，而且造成分类模型偏移与分类精度下降。因此，需要根据实际情况对初步选取的分类特征指标集进行筛选。

本文以分类精度为准则，其评价函数为

$ Z\left( x \right)=\frac{n\left( x \right)}{N\left( x \right)}, x\in y. $

(7)

其中：y为特征指标集；x为y的子集；n(x)为以x输入的SVM分类器正确分类样本的个数；N(x)为参与分类的样本总数；Z(x)为分类准确率。

特征指标优选的原理是将指标逐一加入SVM分类器的输入环节，通过分类模型即可得到分类准确率。如果该指标加入后使得分类准确率提高则保留，否则予以剔除。本文特征编号经过一定试验，使准确率先上升后下降，从而方便剔除冗余指标，优选结果如图 6所示。

由图 6可以看出，当加入第8个指标时准确率达到最大，再加入其他指标，准确率降低或者不改变。因此，本文最终选取Ed、Sd、Rflr、Rlmir、Rfmir、Mds、Sds作为分类特征指标集，并可达到91.5%的分类准确率。

4.4 目标物的类型区分算法

依托分类结果建立目标物区分算法。将分类模型输出的结果按时间累加，得到每类在各个时间点上的比例值，利用比例值最大原则达到目标物的识别。计算公式如下：

1) 无法判别的概率：

$ \begin{array}{l} \;\;\;\;\;\;\;\;{p_0} = \sum\limits_{j = 1}^N {\frac{{{y_{0j}}}}{N}} ;\\ {y_{0j}} = \left\{ \begin{array}{l} 1,\;\;\;\;\;只有1个传感器探测到目标物;\\ 0,\;\;\;\;\;其他. \end{array} \right. \end{array} $

(8)

其中：N是被测目标物的总样本数。

2) 被测目标物被识别为平板的概率：

$ \begin{array}{l} \;\;\;\;\;\;\;\;{p_1} = \sum\limits_{j = 1}^N {\frac{{{y_{1j}}}}{N}} ;\\ {y_{1j}} = \left\{ \begin{array}{l} 1,\;\;\;\;\;{\text{SVM对于第}}j{\text{个样本判别为平板}};\\ 0,\;\;\;\;\;其他. \end{array} \right. \end{array} $

(9)

3) 被测目标物被识别为圆柱的概率：

$ \begin{array}{l} \;\;\;\;\;\;\;\;{p_2} = \sum\limits_{j = 1}^N {\frac{{{y_{2j}}}}{N}} ;\\ {y_{2j}} = \left\{ \begin{array}{l} 1,\;\;\;\;\;{\text{SVM对于第}}j{\text{个样本判别为圆柱}};\\ 0,\;\;\;\;\;其他. \end{array} \right. \end{array} $

(10)

4) 被测目标物被识别为角形的概率：

$ \begin{array}{l} \;\;\;\;\;\;\;\;{p_3} = \sum\limits_{j = 1}^N {\frac{{{y_{3j}}}}{N}} ;\\ {y_{3j}} = \left\{ \begin{array}{l} 1,\;\;\;\;\;{\text{SVM对于第}}j{\text{个样本判别为三角}};\\ 0,\;\;\;\;\;其他. \end{array} \right. \end{array} $

(11)

5 目标物的识别效果

识别场景分别选取了距离传感器系统180 cm的平板、圆柱和角形3类目标物，具体识别效果如图 7所示。

当传感器系统经过某一类型的目标物时，当只有一个超声波传感器可探测到目标物，定义为无法判别；当多个传感器可探测到目标物时，数据输入识别算法中，可探测到目标物的传感器数量越多，判别正确的比例越高；当传感器系统远离目标物时，传感器数据有所减少，分类错误数量有所增大，但其概率并没有超过正确类别的概率，依据识别效果图可知在某一时刻可准确识别出目标物类型。

通过识别效果可知，以分类器为核心来建立目标物识别方法具有较好的识别能力。同时本文对目标物识别快速性进行定量分析，采用相对识别时间作为其评价准则：

$ f\left( t \right)=\frac{t}{T}. $

(12)

其中：f(t)为相对识别时间；t为可识别出目标物所需的时间；T为探测该目标物所用的总时间。

采用相对时间函数对3类目标物在不同变量下的识别快速性进行分析，结果如表 5-8所示。

由表 5-7可知：3类目标物与传感器距离越近，目标物所需相对识别时间越短，识别快速性越好，且在同一距离下，平板所需的相对识别时间最短，圆柱次之，角形最长；三类目标物尺寸越大，相对识别时间越短，识别快速性越好；旋转角度对平板和角形两类目标物的相对识别时间没有影响。

由表 8可知，对于同一类型目标物，传感器移动速度越高，目标物相对识别时间越长，识别快速性下降。原因是传感器采样频率不能匹配目标物运动速度。

6 试验验证

基于目标物识别方法已有一定的研究成果，本节进行识别方法的道路试验验证，以此检验提出的目标物识别方法的可行性。

6.1 试验平台

本文采用图 8所示的超声波传感器试验平台，其中，该试验系统主要由六大模块组成，分别为试验台架、超声波传感器模块、ECU模块(温度传感器模块)以及电源端子、通信输出模块、摄像机模块和电源转换器。传感器模块包括8个超声波传感器，当8个传感器均完成探测后，数据通过串口传输于计算机端。8个传感器的发射时序采用异步循环发射的方法，即当一个传感器发射与接收自己信号完毕后，下一个传感器才发射，依此类推，传感器间隔为50 ms。

6.2 道路目标物的分类模型

试验沿用仿真平台中传感器系统的设计方案，搭建了多超声波传感器试验平台。选取风速较小、前方无障碍物(如栏杆、树木等)的实际道路环境，对道路目标物如汽车、行人和自行车进行探测。首先对传感器性能进行初步检测，然后进行正式试验与数据保存。试验数据示例如图 9所示。

道路目标物的分类模型沿用节4.2和4.3的设计方案。试验结果表明，对道路目标物的分类准确率为85.8%。

6.3 道路目标物的识别效果

道路目标物的分类模型，搭载3类目标物的类型区分算法，可实现目标物的实时区分与识别效果，如图 10所示。

从实际道路试验的识别效果图中可以看出，当道路目标物(如汽车、行人或自行车等)在刚开始接近传感器探测系统时，由于此时可探测到目标物的传感器较少，传感器的信息对分类特征指标的贡献较小，会存在一部分误判别；当目标物逐渐驶入传感器探测系统，系统接收更多的有效信息，从而提高了分类准确率，并且在某一时刻可区分出该目标物；但当目标物远离传感器系统时，又出现信息减少的情况，造成误判，但并不影响识别结果。从而验证了所提出目标物识别方法的可靠性。

道路试验相比仿真，会存在各种干扰，比如道路复杂度会增加，每一类型的目标物各有差异，在探测汽车时，每辆汽车的高度和造型不同，使得传感器阵列系统在探测时会探测到汽车侧面的后视镜、门把手、轮胎等物体。同时，目标物的行驶轨迹会有曲线等情况。各种因素影响传感器的数据，从而降低分类模型的分类能力，使得实际道路试验的分类准确率(85.8%)没有仿真结果的(91.5%)高。

7 结论

本文基于超声波传感器阵列，对车辆周围目标类型的识别方法进行了仿真和实验研究，得到以下结论：

1) 本文首先通过仿真研究提出了基于超声波传感器阵列的目标物识别方法，该方法是以分类器为核心，搭载目标物区分算法。仿真结果表明，该方法建立的目标物分类模型的分类准确率精度达91.5%，并可准确识别出目标物。

2) 在道路试验中，采集了汽车、行人和自行车3类目标物，建立的分类模型的分类准确率为85.8%，并通过目标物的类型区分算法识别出汽车、行人和自行车，以此验证了本文提出的目标物识别方法的可行性。

3) 超声波传感器识别目标物虽然具有较好的识别效果，但面对复杂多变的道路情况，更好的方式是采用多传感器融合，超声波传感器可搭载摄像头、激光雷达等，从而对行车环境提供更加全面和准确的感知。